I - Pots POJ - 3414

本文展示了一个使用Java实现的广度优先搜索(BFS)算法示例,通过ArrayDeque和StringBuilder来跟踪状态和操作序列。该算法应用于解决水罐问题,目标是在两个不同容量的水罐中找到达到特定水量的方法。
import java.util.ArrayDeque;
import java.util.LinkedList;
import java.util.Queue;
import java.util.Scanner;

public class Main
{

	public static void main(String args[])
	{
		Scanner sc = new Scanner(System.in);
	
			int a = sc.nextInt();
			int b = sc.nextInt();
			int c = sc.nextInt();
			int g[][] = new int[107][107];
			StringBuilder nb=new StringBuilder();
			
			ok d = new ok(0, 0,nb);
			ArrayDeque<ok> queue = new ArrayDeque<ok>();
			queue.add(d);
			boolean cnm = false;
			while (!queue.isEmpty())
			{
				ok h=queue.poll();
				int left=h.a;int right=h.b;StringBuilder str=h.str;
			
				if (left==c||right==c)
				{
					System.out.println(str.length());
					int jk[]=new int[str.length()];
					for (int i = 0; i < jk.length; i++)
					{
						jk[i]=str.charAt(i)-'0';
					}
					for (int i = 0; i < jk.length; i++)
					{
						
						deal(jk[i]);
					}
					cnm=true;
					break;
				}
				if (g[left][right]==0 )
				{
					g[left][right]=1;
					if (g[a][right]==0 )
					{	StringBuilder cnmb=  new StringBuilder ()    ;for (int i = 0; i < str.length(); i++)cnmb.append(str.charAt(i)); 
						cnmb=cnmb.append(1);
						ok kkp=new ok(a, right, cnmb);
						queue.add(kkp);
					}
					//
					if (g[left][b]==0 )
					{
						StringBuilder cnmb=  new StringBuilder ()    ;for (int i = 0; i < str.length(); i++)cnmb.append(str.charAt(i));
						cnmb=cnmb.append(2);
						ok kkp=new ok(left, b, cnmb);
						queue.add(kkp);
					}
					//
					if (g[0][right]==0 )
					{
						StringBuilder cnmb=  new StringBuilder ()    ;for (int i = 0; i < str.length(); i++)cnmb.append(str.charAt(i));
						cnmb=cnmb.append(3);
						ok kkp=new ok(0, right, cnmb);
						queue.add(kkp);
					}
					//
					if (g[left][0]==0)
					{
						StringBuilder cnmb=  new StringBuilder ()    ;for (int i = 0; i < str.length(); i++)cnmb.append(str.charAt(i));
						cnmb=cnmb.append(4);
						ok kkp=new ok(left, 0, cnmb);
						queue.add(kkp);
					}
					//
					int all=left+right;int p1l=0;int p1r=0; int p2l=0;int p2r=0;
					if (all<=b)
					{
						p1l=0;p1r=all;
						
					}else {
						p1l=all-b;p1r=b;
					}
					if (all<=a)
					{
						p2l=all;p2r=0;
					}else {
						p2l=a;p2r=all-a;
					}
			
					if (g[p1l][p1r]==0)
					{
						StringBuilder cnmb=  new StringBuilder ()    ;for (int i = 0; i < str.length(); i++)cnmb.append(str.charAt(i));
						cnmb=cnmb.append(5);
						ok kkp=new ok(p1l, p1r, cnmb);
						queue.add(kkp);
					}
					//
					if (g[p2l][p2r]==0 )
					{
						StringBuilder cnmb=  new StringBuilder ()    ;for (int i = 0; i < str.length(); i++)cnmb.append(str.charAt(i));
						cnmb=cnmb.append(6);
						ok kkp=new ok(p2l, p2r, cnmb);
						queue.add(kkp);
					}
					//
				
				
				
				
				
				}
			}
			if (cnm == false)
			{
				System.out.println("impossible");
			}

		
	}

	public static void deal(int x)
	{
		switch (x)
		{
		case 1:
			System.out.println("FILL(1)");
			break;
		case 2:
			System.out.println("FILL(2)");
			break;
		case 3:
			System.out.println("DROP(1)");
			break;
		case 4:
			System.out.println("DROP(2)");
			break;
		case 5:
			System.out.println("POUR(1,2)");
			break;
		case 6:
			System.out.println("POUR(2,1)");
			break;
		default:
			break;
		}
	}

}

class ok
{
	int a, b;
	int x[][];
StringBuilder str=new StringBuilder();

	public ok(int a, int b, StringBuilder str)
	{
		this.a = a;
		this.b = b;
		this.x = x;
		this.str = str;
	}
}
本指南详细阐述基于Python编程语言结合OpenCV计算机视觉库构建实时眼部状态分析系统的技术流程。该系统能够准确识别眼部区域,并对眨眼动作与持续闭眼状态进行判别。OpenCV作为功能强大的图像处理工具库,配合Python简洁的语法特性与丰富的第三方模块支持,为开发此类视觉应用提供了理想环境。 在环境配置阶段,除基础Python运行环境外,还需安装OpenCV核心模块与dlib机器学习库。dlib库内置的HOG(方向梯度直方图)特征检测算法在面部特征定位方面表现卓越。 技术实现包含以下关键环节: - 面部区域检测:采用预训练的Haar级联分类器或HOG特征检测器完成初始人脸定位,为后续眼部分析建立基础坐标系 - 眼部精确定位:基于已识别的人脸区域,运用dlib提供的面部特征点预测模型准确标定双眼位置坐标 - 眼睑轮廓分析:通过OpenCV的轮廓提取算法精确勾勒眼睑边缘形态,为状态判别提供几何特征依据 - 眨眼动作识别:通过连续帧序列分析眼睑开合度变化,建立动态阈值模型判断瞬时闭合动作 - 持续闭眼检测:设定更严格的状态持续时间与闭合程度双重标准,准确识别长时间闭眼行为 - 实时处理架构:构建视频流处理管线,通过帧捕获、特征分析、状态判断的循环流程实现实时监控 完整的技术文档应包含模块化代码实现、依赖库安装指引、参数调优指南及常见问题解决方案。示例代码需具备完整的错误处理机制与性能优化建议,涵盖图像预处理、光照补偿等实际应用中的关键技术点。 掌握该技术体系不仅有助于深入理解计算机视觉原理,更为疲劳驾驶预警、医疗监护等实际应用场景提供了可靠的技术基础。后续优化方向可包括多模态特征融合、深度学习模型集成等进阶研究领域。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值